一、一种数字式仪表的量程自动转换装置的研制(论文文献综述)
吴康祁[1](2021)在《基于机器视觉的油田仪表读数识别算法研究》文中研究指明石油作为现代工业生产的重要原料,是国家重要的战略物资。石油现场由于存在大量压力容器、阀组和管道等装备,具有高温、高压、易燃易爆的特点,一旦发生安全事故后果难以估计。因此,保证安全生产是每一个采油单位工作内容的重中之重。巡检作为最主要的安全保障措施,目前以人工巡检方式为主,该方式劳动强度大、工作效率低、常有漏检、误检等情况发生。为保证高效、可靠的巡检,国内外各大油田生产单位大力发展以机器人为主体的智能巡检模式。仪表读数自动识别是油田巡检机器人的核心功能之一。由于油田环境的复杂性,使得常规的仪表读数识别方法较难应用于油田巡检机器人,因此,展开油田仪表读数识别算法研究对油田巡检机器人的实现具有十分重要的现实意义。仪表读数自动识别作为智能巡检的核心,是当下研究的重点,发展迅速,但仍面临着以下几点困难和不足:(1)当前仪表读数识别算法对视觉环境要求较高,一旦视觉环境不佳,识别结果容易出错;(2)当前针对指针式仪表的读数识别算法步骤较多、容错率较低,鲁棒性较差。针对上述问题,本文利用图像处理技术和深度神经网络对油田常用仪表读数识别进行了详细研究。主要研究内容有:(1)基于图像处理技术的油田仪表读数识别研究。针对油田仪表图像存在由复杂环境导致的模糊、形变、高光以及低光等问题,利用图像降噪、图像增强等技术对仪表图像进行处理,有效提升了仪表图像质量。根据数字式仪表、液位式仪表和指针式仪表的各自特征,分别利用K最邻近分类(KNN)方法、比例法和坐标映射法对读数进行识别,识别精度满足油田巡检抄表要求;(2)基于深度神经网络的指针式仪表读数识别研究。针对基于图像处理技术的指针式仪表读数识别方法存在步骤多、参数多、容错率低以及鲁棒性较差等问题和基于深度神经网络方法中存在仅将网络用于仪表检测、降低环境干扰、未能真正发挥网络强大的拟合能力等问题,提出了基于生成对抗网络(GAN)与细粒度分类网络结合的指针仪表读数识别方法,该方法首先利用深度卷积生成对抗网络(DCGAN)在有限指针仪表图像的基础上生成用于细粒度分类网络训练学习的大规模样本集;其次,利用生成的大规模样本集对细粒度分类网络进行训练;最后,训练好的细粒度分类网络根据输入的指针仪表图像自动识别读数。该方法将读数识别任务转换成细粒度分类任务,完成了“图像-读数”端到端的识别流程,简化了识别步骤,具有较高的鲁棒性和识别正确率。为了验证本文所研究的仪表读数识别算法的有效性,利用大量真实仪表图像分别对基于图像处理技术的油田仪表读数识别方法和基于深度神经网络的指针式仪表读数识别方法进行实验验证,结果表明,在基于图像处理技术的方法中,KNN实现了 94.93%的读数识别正确率;比例法与人工抄表相比仅有3.68%的相对误差;坐标映射法与人工抄表相比仅有0.43%的相对误差,满足油田开发现场的巡检要求。基于深度神经网络的指针仪表读数识别方法达到了 98.23%的识别正确率,达到了简化流程、提高鲁棒性的效果。
蔡松[2](2021)在《深度学习框架下电气设备仪表读数识别方法研究》文中研究表明
许晓宇[3](2021)在《结合图像处理与深度学习的电力设备自动监测技术研究》文中研究表明最近几年,我们国家用电量每年都有增长,用电力设备自动监控用电是否正常是供电系统中的一个极其重要的环节,供电系统是否安全的运行关乎到生命财产是否安全。这使得监控用电状态的电力设备数量一直增长,导致巡检工人及值班人员紧缺,运营成本提升,人工效率较低等问题,并且电力设备一般建在环境比较复杂的地区,工作人员去检测也不安全。并且,随着计算机软硬件的发展,深度学习技术逐渐成熟起来,研究人员在各个领域都用到了深度学习技术,包括电力设备自动监测领域,这样不需要工人在现场手抄设备状态,可以直接用前端设备自动监测设备状态。但是,用深度学习方法不能做到同时识别电力设备上各种物体类型并且判别其状态,而且当巡检装置拍摄位置出现偏差或者环境恶劣时,对物体类别的识别会存在影响,从而对该物体状态判别产生较大的误差。本文针对以上问题对电力设备自动监测技术遇到的问题进行分析,根据电力设备场景的特点提出了结合图像处理与深度学习的方法,用该方法对待检测目标分析及处理。首先用深度学习目标检测方法识别出该物体所属类别,针对该部分,本文提出一种多目标检测模型,该模型是在原有YOLOv3模型基础上,将FPN特征融合层及损失函数部分进行优化,并且采用K-means聚类方法将卷积神经网络的先验框大小修改为适合电力设备场景下物体的大小;其次根据不同类别综合应用不同图像处理方法进行状态判别,针对该部分,本文采用多类别综合判别方法对各物体状态进行判断,该方法是在目标检测后,根据不同类别综合各种图像处理方法解决了指示灯、刀闸开关、仪表盘上状态不同的情况下,不能迅速对变化的状态进行判断的问题。最后,将状态判别算法与深度学习目标检测网络相融合,构成了结合图像处理与深度学习的电力设备自动监测技术。本文实验在公开数据集和自己标注的数据集上进行性能验证,并设置了对比实验验证,分析设计以上改进网络结构对模型识别性能的影响。通过实验得出本文设计的多目标检测模型,使特征不明显的指示灯及刀闸开关等小物体的检测准确率有所提高,并且预测出的物体坐标愈加准确,根据准确的坐标会使状态判别部分更加准确,从而保证网络检测的准确率;其次,通过多类别综合判别方法使得对电力设备运行状态判断更加精确。最后,通过使用结合图像处理与深度学习的电力设备自动监测技术,不仅解决了不能同时识别电力设备上各种物体类型并且判别其状态的问题,同时在监测效率上大大提高,节省去大量的人工劳动力,降低事故的发生频率。
王钦[4](2021)在《基于机器视觉的模拟式仪表自动抄表系统开发》文中进行了进一步梳理模拟式仪表作为常用的计量仪器,因其结构简单,维护方便,相比数字式仪表不受电磁干扰等优点,被广泛用于工业生产等领域。但是该类仪表都是机械结构,无法提供数字信息输出的接口,其数据无法直接被计算机采集。所以目前对于该类仪表的读数多采用人工抄表的方式,效率低,主观性大,尤其是面对实时反馈的场合,人工很难做出及时准确的读数,使得模拟式仪表无法适应现代化的管理需求,所以急需一种新的、可靠的和高效的自动化抄表技术。本文所作的主要工作总结如下:1)抄表系统方案设计。针对图像算法复杂和传统抄表传输图像等问题需要系统具有大算力的处理器和大带宽的网络支持的情形。本文以树莓派为核心,配备专用摄像头构成整个终端设备,支撑复杂程序所需的算力。将图像处理得到的读数结果经网络传输至服务端存储和转发到监控中心便于工作人员管理,而不再传输图像至监控中心处理,以此减小带宽压力。2)仪表盘特征识别。针对目前研究大都针对特定类型的模拟式仪表,如刻度线线性分布,必须包含圆弧等特征缺乏一定的兼容性,有的需要事先人工标定等情况,提出了表盘定位,指针和刻度线识别新方案。使用FLD检测线段后初识别刻度线,将其两两求交点定位指针转动中心和部分刻度线,进而确定表盘区;结合投影、细化和线段检测等方法重建指针中轴线;结合最小矩形和已定位的刻度线识别所有刻度线并对其分类;测试表明,该算法定位表盘,识别指针和刻度线准确无误。3)仪表读数算法。针对目前仪表刻度值的识别多采用模板,结构法,缺乏一定的泛化能力,提出了利用主刻度线定位刻度值,再由卷积神经网络进行识别;结合查表和距离法对仪表示数进行转换。测试表明,整个算法减少了人工干预,提高了仪表读数自动化程度,仪表兼容性更广泛,读数误差最大不超过0.74%,单张图像处理时间稳定保持在0.88s左右,满足精度需求的同时实时性高。4)自动抄表系统软件开发。在Windows环境下,采用C++语言并结合OPENCV图像处理库以及Python语言下Tensor Flow深度学习框架完成多语言算法的联合开发,再借助Qt界面开发框架把算法封装成软件并实现跨平台的联合交叉编译和打包。开发了针对Linux环境下模拟式仪表读数的终端、数据存储转发的服务端软件和Windows操作系统下数据监控和远程操作的监控中心软件开发。经测试三套软件联调运行稳定,满足了自动抄表系统要求。
官业欣[5](2021)在《机匣深腔流道的在线自动检测技术研究》文中研究说明复杂曲面零件广泛应用于车辆、船舶、飞机等领域,随之而来的对复杂曲面加工质量的评定变得尤为重要。针对流道内壁曲面的加工轮廓度误差检测缺乏高效准确的检测方法这一现状,本文重点对用于深腔内壁曲面自动检测装置的机械结构设计、测点选择和路径规划方法、测量数据的自动化识别、曲面轮廓度误差评定方式和测量装置的不确定度等问题进行了研究和应用。具体内容如下。结合生产实际,针对某型军用航空发动机机匣的流道内表面轮廓度检测问题,研究了被测曲面的结构特征以及在加工过程中的工艺工况特点。改进了测点规划方案,在相同误差下,测点数量压缩率提升为64.8%,使得测量效率提升。根据被测零件狭窄深腔的特征,对自动检测系统的机械结构进行设计,以确保在提取曲面内壁关键测量点的过程中,不发生干涉。研究了识别测量仪表读数的方法。为实现测量系统中测量表数据的远程实时获取,本文基于图像处理的方法分别对数显仪表和指针式仪表的读数识别进行了研究。对于数显仪表,本文基于SVM支撑向量机的轻量化机器学习算法开发了读数识别程序。过程中针对Canny算法中高低阈值的选择方式进行优化,使改进后的算法在边缘检测中连接准确性提升了 15.9%;单边响应性满足程度提高了 43.2%。能更好的表达细节,对于指针仪表,通过表盘提取、形态学处理、米粒计数算法完成指针检测,并通过角度法完成读数识别。研究了复杂曲面轮廓度误差的评价方法。依据曲面轮廓度误差的评定规则,以及最小包容区域法的限制要求,构建了相关误差评价的数学模型。同时研究了系统测量结果不确定度的评定方法,分析了本文研制的自动检测装置测量结果的不确定度来源,并基于传统测量不确定度评定方法,建立了相应评定模型。最后用本文研制的检测装置和三坐标测量机分别对待测曲面开展测量实验,并按照建立的不确定度评定模型,对自动检测装置的测量效果进行测试,得到该测量系统的不确定度为0.0342 mm。误差平均值为0.094mm,系统误差在测量对象误差1/3~1/10范围内,在流道检测误差要求之内。验证本文研制的在线自动测量系统可以应用于机匣流道表面的质量检测的可行性与准确性。
廖泉彬[6](2020)在《XX型大推力涡轮风扇发动机地面试车测控系统研制》文中认为本文通过结合某型大推力涡轮风扇发动机地面试车测控系统的研制工作,对该类大型测控系统的研制进行了全局性、系统性的阐述。包括在正式设计工作开展之前对设计任务的解读,对涉及的基础学科知识进行掌握,在正式设计工作时分步设计各子系统,并在最后对各各子系统进行融合,确保整个系统的完整性、兼容性、稳定性。发动机地面试车测控系统用于发动机制造、大修后性能验证试车,整个系统需完成对发动机整机的控制、配套地面工艺设备的控制,以及对整个系统的工作状态情况进行实时的监测。因此,系统设计时,主要分为两个部分独立设计,第一是控制系统设计,第二是数据检测分析系统设计。其中控制系统又分为硬件搭建和程序设计,数据采集系统同样分为硬件搭建和软件设计。控制系统主要用于对发动机试车过程进行控制,包括对发动机起动过程的控制,试车状态的控制,液压加载控制,电加载控制,工艺设备控制等。本次设计采用PLC可编程控制器与虚拟仪器技术相结合的方式,对控制系统进行整体设计。首先将现场控制信号及反馈信号接入PLC硬件,通过编写控制程序,对其进行逻辑控制。再通过虚拟仪器技术开发虚拟控制界面,将PLC硬件采集的控制信号与反馈信号反应到虚拟控制界面上。该设计思路可以大大减少控制硬件的数量及系统的设计难度,并且具有良好的后续改进能力。数据检测分析系统主要用于对发动机试车过程的参数进行采集、计算、分析。包括电量信号,压力信号,温度信号,转速信号,角度信号,振动信号等。本次设计采用VXI现场总线采集系统测量为主,分布式扫描阀测量为辅的方式进行。将大量分散的现场信号通过测试电缆引入到测试柜内,通过信号隔离变换模块进行一级处理,再将处理后的信号送入VXI总线系统。另外一部分现场分布较为集中,且信号类型相同的现场信号(例如K型热电偶、气体压力),采用集成式、小型化的前端采集装置(扫描阀)进行集中采集。通过网络组态,将两部分数据打包送入数据采集软件系统进行统一分析处理。在本次某型大推力涡轮风扇发动机地面试车测控系统研制过程中,参照上述设计思路开展设计工作。
庄国欣[7](2020)在《通用型电力仪表自动检定系统的设计》文中研究指明随着自动化仪表的使用需求的加剧,对仪表精度的检测也不可或缺,传统的人工检定来完成电力仪表检测的效率低下逐渐无法满足需求。针对这一实际项目背景,本文在仪表自动化检定技术上进行了研究和设计,并以此代替复杂的人工操作,由此可见该研究对自动化技术的普及具有重要的现实意义。本课题来自于南方电网的《仪表校验智能机器人开发(成果转化)--电力仪表智能校验机器人产品化研发及试制》项目。此项目旨在研制一套通用型电力仪表检定平台。本文在明确项目背景和研究意义的基础上对仪表自动化检定技术的研究现状进行了调研,并根据该项目的实际需求,最终实现了电力仪表自动化检定平台的设计。本文针对电力仪表检定设备自动化程度低、效率慢等问题,研究了单目相机的识别算法、机械臂手眼标定的原理、电动气动执行器的使用方法、ADO.NET等相关技术,并利用网络互联为支撑,通过物联网、移动感知、信息传感、自动控制等相关技术并结合自动控制系统,打造了自动化、网络化、智能化的计量校准系统。电力仪表自动化检定平台由机械臂控制模块、仪表定位模块、仪表校准检定模块、读数识别模块、数据存储管理模块构成,各个模块通过网络信息传感集成在一个分布式网系统。在硬件方面上根据电力仪表的外观结构以及检定的要求合理的对硬件设备进行选型、设计和加工,并利用控制柜内部的IO量实现对气动执行器以及电动执行器的精确控制,以及利用机械臂对仪表的拆接线、调节量程等操作。在软件设计方面,利用C#语言开发主控单元的设计部分,采用人机交互结构,使得系统运行状态能够实时的提供给用户,并能将检定的结果保存到主控单元的数据库中。最后将各个模块联合模拟调试,通过仪表的检定仿真实验结果分析可以得出本设计平台运行稳定,检定结果准确,能够对绝大多数的仪表进行自动化检定,符合实际需求。
丁健强[8](2020)在《风力发电机舱巡检机器人研究与设计》文中认为随着我国新能源产业迅猛发展,风力发电规模在日益扩大,电力巡检逐渐成为保障风力发电机正常运行的关键点。由于风机地理位置分布广散且偏僻,运维人员检修时存在安全隐患问题,传统的人工巡检只能在风机停机时进行工作,这会导致采集的电气设备数据存在延迟性同时因为风机停机也会造成经济效益损失。随着科技的发展,传统的人工巡检方式难以满足风机准确、实时、高频率的电力设备巡检要求。因此,设计出风力发电机舱巡检机器人来代替人工巡检,采用机器设备自动巡检可以提高巡检效率,保证巡检质量和保障电力稳定生产供应。本课题设计开发了一款风力发电机舱巡检机器人,工作人员可对该系统采用自动或远程操控的方式来完成风机电力巡检任务。课题主要研究内容如下:首先,通过分析国内外电力自动巡检机器人的功能需求和发展现状,提出了风机巡检机器人的整体设计结构。基于此设计结构基础上,将整个巡检系统分为三部分。其中,上层为监控后台,中间层为通信系统,下层为巡检机器人本体。其次,在硬件设计上,系统主控制器芯片采用STM32,设计电机驱动模块、编码器模块、电源转化模块、通信模块、存储等模块完成机器人本体的运动控制,并结合电力载波技术与监控后台通信。在软件设计上,实现了机器人的梯形加减速运动算法;结合PID控制原理完成机器人导航定位算法;使用串口服务器结合TCP/IP协议实现与监控后台数据信息传输,并设计了巡检机器人运动控制协议;另外对巡检机器人安全保护、状态指示、异常报警、数据存储等进行软件设计。再次,在图像识别上,针对风机内部指针式仪表通过对采集的仪表图像进行灰度化、滤波等预处理操作后,基于Hough变换检测到指针直线后根据指针夹角和总量程计算出当前指针仪表读数。针对风机内部的数字式仪表,通过对图像进行灰度化和边缘检测,利用行形态学操作得到一系列连通域,再根据连通域特征从而完成数值区域定位,对数字字符进行分割后,采用模板匹配的方法对字符进行识别。最后,课题在软硬件设计基础上进行了系统整体测试并且在现场进行长时间工作测试,实验结果符合预期要求。本文设计的巡检机器人减少了风力发电机的运维压力,提高了风力发电机的运维检修效率,对推进我国风力发电行业中电力巡检领域的发展具有一定意义,为探索其它电力设备的巡检自动化提供一定的参考依据。
卜庆志[9](2020)在《基于树莓派的开关柜监测节点设计与研究》文中指出目前大多数传统仪表读数依靠着人工来完成,难免会受外界环境的影响导致误读、错读等情况。随着工业视觉技术的发展,使得机器可以替代人工从事高危或者复杂的工作,解决人力短缺问题,同时提高了工作效率。本文将图像处理技术与嵌入式技术相结合,研究了仪表与指示灯的识别算法,并以树莓派3B+为硬件平台,使用QT软件编写图形界面,实现了在嵌入式平台下开关柜监测节点的视觉检测。研究方向内容主要包括对指示灯、指针式仪表、数字式仪表的检测以及识别算法在树莓派平台下的测试,具体研究内容如下:设计了基于颜色显着性与轮廓特征相结合的指示灯识别算法。首先将RGB空间的图像转换到HSV空间,然后分割出红绿指示灯,提取分割后指示灯的轮廓重心,对亮灭状态进行判断,最后结合检测结果,完成对指示灯的识别。使用了基于LSD(Line Segment Detector)算法的指针式仪表识别算法。首先对指针仪表进行倾斜矫正处理,其次将矫正后的二值图使用Zhang-Suen细化算法处理,然后使用Hough变换法与LSD直线段检测算法分别对指针检测,通过算法速度与准确性比较,决定采用LSD算法对指针检测,最终再根据角度关系完成对指针式仪表的识别。提出了一种基于颜色分割和方向梯度直方图特征(Histogram of Oriented Gradient,HOG)的支持向量机(Support Vector Machine,SVM)数字式仪表识别算法。首先在HSV空间中提取红色数字特征信息,然后水平垂直投影法分割成单个字符,接下来将归一化后的数字使用HOG算法提取特征,并使用主成分分析(Principal Components Analysis,PCA)算法降维,将特征向量输入到网格搜索(Grid Search,GS)的支持向量机中分类识别,分别与穿线法、K最近邻算法(K-Nearest Neighbor,KNN)、SVM进行性能比较,最终所提出来的HOG-GSSVM算法平均识别率达到96%以上,满足实验要求。在树莓派上设计人机交互界面,并将识别算法嵌入到树莓派中进行算法性能测试,完后了基于树莓派的视觉监测节点的系统设计与应用。
张泽[10](2020)在《航天发动机波纹管刚度检测系统的研究》文中指出中国的航天技术正处在迅速的发展过程,火箭的发射也越来越频繁,对于火箭的可靠性要求也越来越高。火箭发动机是保证火箭成功发射的重要因素,波纹管在火箭发动机中起着较为重要的控制作用,其性能优劣对于火箭发动机的正常运转显得十分重要。由于波纹管成型的复杂性等问题,会导致波纹管出现阻尼力异常现象,进而导致波纹管在运动时会出现卡顿等异常情况。目前对于波纹管轴向刚度的检测并没有专业设备,主要是依靠手动的方式进行,检测过程效率低下,其结果也会引入较大的人为误差,不符合标准化要求。因此需设计出一套能够对波纹管轴向刚度进行自动化测量和分析的系统装备,以弥补现如今检测方式的不足。对波纹管的力学特性进行仿真研究,确定检测系统的各项技术要求和总体技术方案,并根据波纹管的结构形式,进行波纹管刚度检测系统的结构设计,其中伺服电机提供加载力,并选择滚珠丝杠进行一维传动,同时进行传感器布局设计和装夹机构设计。基于STM32芯片,完成硬件控制系统搭建,以AD7606芯片作为数据采集转换的核心,并设计相关辅助功能模块,完成控制系统硬件搭建和相关程序算法设计。基于串口通信,完成波纹管刚度检测系统的软件开发,其中触摸控制基于Visual TFT软件设计,上位机软件的设计基于MFC平台,并设计相关通信协议与硬件系统进行命令和数据传输,同时为消除噪声干扰,最大程序还原真实信号,设计相关数据滤波算法,并基于Access数据库和ADO技术实现对检测过程中各种信息的管理。对传感器进行标定,并通过多次试验对所研制的波纹管刚度检测系统的精度进行验证,以确保检测系统能够符合要求,同时针对波纹管的刚度特性,设计相关评价指标,给出检测结果的定量判定标准,并针对波纹管试件进行大量实验,结合各评价指标,对波纹管是否合格进行判定。波纹管刚度检测系统能够实现触屏控制和上位机控制,具有较灵活的控制方式,能够对波纹管进行高效、准确的检测,弥补了传统检测方式的不足,有效地提升了工作效率。
二、一种数字式仪表的量程自动转换装置的研制(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种数字式仪表的量程自动转换装置的研制(论文提纲范文)
(1)基于机器视觉的油田仪表读数识别算法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 数字式仪表 |
1.2.2 液位式仪表 |
1.2.3 指针式仪表 |
1.3 现有油田仪表读数识别算法的局限性 |
1.4 主要研究内容及技术方案 |
1.5 本文章节安排 |
2 基于图像处理技术的油田仪表读数识别 |
2.1 引言 |
2.2 清晰度评价 |
2.3 仪表检测 |
2.4 图像校正 |
2.5 图像降噪及增强 |
2.6 高低光图像修复 |
2.6.1 高光图像修复 |
2.6.2 低光图像修复 |
2.7 数字式仪表读数识别 |
2.7.1 字符分割 |
2.7.2 特征值提取及字符匹配 |
2.8 液位式仪表读数识别 |
2.9 指针式仪表读数识别 |
2.9.1 指针分割 |
2.9.2 刻度与交点坐标提取 |
2.9.3 读数识别 |
2.10 仿真及结果分析 |
2.10.1 检测、校正、降噪及增强仿真及结果分析 |
2.10.2 高低光图像修复仿真及结果分析 |
2.10.3 数字式仪表读数识别仿真及结果分析 |
2.10.4 液位式仪表读数识别仿真及结果分析 |
2.10.5 指针式仪表读数识别仿真及结果分析 |
2.11 本章小结 |
3 基于DCGAN的指针式仪表样本扩充 |
3.1 引言 |
3.2 卷积神经网络(CNN) |
3.2.1 卷积层 |
3.2.2 池化层 |
3.2.3 全局平均池化层 |
3.3 生成对抗网络模型(GAN) |
3.3.1 结构与原理 |
3.3.2 训练算法及优化方法 |
3.4 深度卷积生成对抗网络(DCGAN) |
3.4.1 卷积判别器 |
3.4.2 反卷积生成器 |
3.4.3 优化算法 |
3.5 仿真及结果分析 |
3.6 本章小结 |
4 基于PMG模型的指针式仪表读数识别 |
4.1 引言 |
4.2 细粒度图像分类 |
4.3 Resnet-50残差网络 |
4.4 PMG细粒度分类模型 |
4.4.1 拼图生成器 |
4.4.2 PMG模型网络结构 |
4.4.3 PMG模型训练框架 |
4.5 仿真及结果分析 |
4.6 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(3)结合图像处理与深度学习的电力设备自动监测技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 目标检测算法研究现状 |
1.2.2 数字图像处理技术研究现状 |
1.3 目前研究重点与难点 |
1.4 主要研究内容及组织架构 |
第二章 深度学习目标检测理论及相关模型 |
2.1 深度学习概述 |
2.1.1 深度学习的发展概述 |
2.1.2 卷积神经网络 |
2.1.3 基于卷积神经网络的目标检测算法 |
2.2 目标检测算法研究 |
2.2.1 Faster R-CNN网络 |
2.2.2 YOLO网络 |
2.2.3 YOLOv3 网络 |
2.3 小结 |
第三章 电力设备自动监测多目标检测网络的构建 |
3.1 引言 |
3.2 构建电力设备多目标检测网络模型 |
3.2.1 问题分析 |
3.2.2 解决方案 |
3.3 基于改进YOLOv3 的电力设备多目标检测网络 |
3.3.1 构建专属于电力设备目标检测的数据集 |
3.3.2 K-means结合先验设置anchor box |
3.3.3 自适应特征融合(ASFF) |
3.3.4 改进TSE损失函数 |
3.4 模型改进前后检测结果分析 |
3.5 小结 |
第四章 电力设备状态判别算法 |
4.1 引言 |
4.2 基于颜色空间转换的圆形指示灯状态判别算法 |
4.2.1 空间颜色转换 |
4.2.2 颜色判别 |
4.2.3 亮度判别 |
4.3 基于模板匹配的隔离开关状态判别算法 |
4.3.1 模板匹配法 |
4.3.2 实验过程及其结果 |
4.4 基于角度判别的指针式仪表状态判别算法 |
4.4.1 仪表图像预处理 |
4.4.2 仪表指针提取 |
4.4.3 仪表读数识别 |
4.5 基于检索编码特征值的数字式仪表状态判别算法 |
4.5.1 数字字符分割 |
4.5.2 数字字符识别 |
4.6 电力设备自动监测技术 |
4.7 实验结果分析 |
4.8 小结 |
第五章 总结与展望 |
5.1 研究总结 |
5.2 研究展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(4)基于机器视觉的模拟式仪表自动抄表系统开发(论文提纲范文)
中文摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容及章节安排 |
2 系统方案与算法设计 |
2.1 引言 |
2.2 方案设计 |
2.2.1 需求分析 |
2.2.2 总体结构设计 |
2.2.3 终端硬件选型 |
2.2.4 软件结构设计 |
2.3 算法设计 |
2.4 本章小结 |
3 仪表盘特征识别 |
3.1 引言 |
3.2 图像预处理 |
3.2.1 图像灰度化 |
3.2.2 图像降噪 |
3.2.3 图像二值化 |
3.3 表盘定位与变换 |
3.3.1 FLD线段检测 |
3.3.2 刻度线初识别 |
3.3.3 关键参数求解 |
3.3.4 空间变换 |
3.4 刻度线统一化 |
3.4.1 刻度线样式判断 |
3.4.2 刻度线分割 |
3.5 指针提取与重建 |
3.5.1 指针提取 |
3.5.2 指针细化 |
3.5.3 指针中轴线重建 |
3.6 刻度线识别 |
3.6.1 刻度线定位与重建 |
3.6.2 刻度线分类 |
3.7 本章小结 |
4 仪表读数算法开发 |
4.1 引言 |
4.2 刻度值提取 |
4.3 刻度值识别 |
4.3.1 网络结构 |
4.3.2 网络训练 |
4.4 示数转换 |
4.5 本章小结 |
5 抄表系统软件开发 |
5.1 引言 |
5.2 终端软件开发 |
5.2.1 图像采集模块 |
5.2.2 读数模块 |
5.2.3 通信模块 |
5.2.4 界面开发 |
5.2.5 源码移植 |
5.3 服务端软件开发 |
5.3.1 图像数据收发后台 |
5.3.2 数据库设计 |
5.4 中心监控软件开发 |
5.5 本章小结 |
6 系统测试与评价 |
6.1 引言 |
6.2 兼容性测试 |
6.3 准确性与实时性测试 |
6.4 系统测试 |
6.4.1 平台搭建 |
6.4.2 运行测试 |
6.5 本章小结 |
7 总结与展望 |
7.1 论文总结 |
7.2 论文展望 |
参考文献 |
攻读学位期间研究成果 |
致谢 |
(5)机匣深腔流道的在线自动检测技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景、意义及来源 |
1.1.1 课题背景及研究意义 |
1.1.2 课题来源 |
1.2 自动检测技术研究现状 |
1.2.1 自动检测发展概况 |
1.2.2 表面质量及轮廓度检测技术综述 |
1.3 图像处理技术研究现状 |
1.3.1 数字式仪表识别技术 |
1.3.2 指针式仪表识别技术 |
1.4 本文主要工作 |
1.5 本章小结 |
第2章 被测流道加工表面的测量特征分析 |
2.1 被测件结构及加工工艺特点 |
2.2 曲面测量点分布与路径优化 |
2.2.1 基于平均曲率的测点分布原则 |
2.2.2 测点轨迹优化模型 |
2.3 测点规划与轨迹仿真实验 |
2.3.1 测点规划 |
2.3.2 测量轨迹仿真 |
2.4 本章小结 |
第3章 流道表面自动检测装置的设计与搭建 |
3.1 自动检测装置总体设计 |
3.1.1 装置总体设计目标 |
3.1.2 装置整体架构 |
3.2 自动检测装置的机械结构设计 |
3.2.1 量表及图像采集装置的选取 |
3.2.2 表杆及测头的设计 |
3.2.3 夹具设计 |
3.3 本章小结 |
第4章 基于图像识别技术的自动检测装置软件系统的开发 |
4.1 数字识别机器学习理论研究 |
4.1.1 支撑向量机 |
4.1.2 目标边缘检测及实例分割 |
4.2 基于SVM的LCD数显屏数字识别实验 |
4.2.1 边缘检测算法对比实验及优化 |
4.2.2 目标检测及特征提取 |
4.2.3 SVM训练样本 |
4.2.4 实验结果 |
4.3 基于图像处理的指针表盘读数识别方法 |
4.3.1 图像处理的几种方法 |
4.3.2 基于图像处理的指针表盘识别实验 |
4.3.3 实验结果 |
4.4 本章小结 |
第5章 自动检测系统的试验验证 |
5.1 曲面轮廓度误差 |
5.1.1 轮廓度与公差带 |
5.1.2 轮廓度误差评定理论 |
5.2 测量不确定度 |
5.2.1 测量不确定度的来源 |
5.2.2 测量不确定度的评定方法 |
5.3 检测系统测试实验设计与实验步骤 |
5.3.1 实验设备与实验材料 |
5.3.2 系统的校准与补偿 |
5.3.3 测试实验方案设计 |
5.4 实验结论 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 工作结论 |
6.2 研究展望 |
参考文献 |
致谢 |
附录 攻读学位期间的学术成果 |
(6)XX型大推力涡轮风扇发动机地面试车测控系统研制(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 背景与意义 |
1.2 国内外现状 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 测控系统的原理、功能及方案分析 |
2.1 测控系统的原理、功能 |
2.1.1 起动测控的原理、功能 |
2.1.2 液压加载测控的原理、功能 |
2.1.3 电加载测控的原理、功能 |
2.2 方案分析 |
2.2.1 控制系统设计方案分析 |
2.2.2 数据检测系统设计方案分析 |
2.3 本章小结 |
第三章 测控系统设计 |
3.1 控制系统设计 |
3.1.1 总体设计 |
3.1.2 起动控制设计 |
3.1.3 液压加载控制设计 |
3.1.4 电加载控制设计 |
3.2 数据检测系统设计 |
3.2.1 硬件搭建 |
3.2.2 数据检测分析软件配置 |
3.3 本章小结 |
第四章 测控系统的实现与调试验证 |
4.1 系统的实现 |
4.1.1 控制系统的实现 |
4.1.2 数据检测系统的实现 |
4.2 调试验证 |
4.2.1 控制功能调试 |
4.2.2 数据检测分析功能调试 |
4.3 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读工程硕士学位期间取得的成果 |
(7)通用型电力仪表自动检定系统的设计(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源及研究的背景和意义 |
1.1.1 课题来源 |
1.1.2 研究的背景和意义 |
1.2 国内外研究现状 |
1.3 本文的主要研究内容 |
第2章 系统总体设计方案 |
2.1 系统需求分析 |
2.2 总体设计方案 |
2.2.1 总体设计思想 |
2.2.2 整体设计方案 |
2.3 系统主要硬件选型 |
2.3.1 机械臂系统选型 |
2.3.2 防碰撞系统选型 |
2.3.3 标准源选型 |
2.3.4 气动夹爪的选型 |
2.3.5 视觉系统选型 |
2.4 系统开发环境的选择 |
2.5 数据库的选择 |
2.6 本章小结 |
第3章 系统硬件设计 |
3.1 检定平台硬件结构设计 |
3.1.1 机械臂末端夹爪设计 |
3.1.2 标准源切换板设计 |
3.1.3 防碰撞设计 |
3.2 数字式仪表检定流程设计 |
3.2.1 检定工位主要硬件选型 |
3.2.2 仪表固定模块 |
3.2.3 机械臂控制模块 |
3.3 指针式仪表检定流程设计 |
3.3.1 检定工位主要硬件选型 |
3.3.2 仪表固定模块 |
3.3.3 机械臂控制模块 |
3.4 硬件系统集成 |
3.5 本章小结 |
第4章 电力仪表读数识别方法 |
4.1 鲁棒性图像采集方法设计 |
4.2 数字式仪表读数识别方法设计 |
4.2.1 仪表读数预处理 |
4.2.2 数字串识别 |
4.2.3 小数点识别 |
4.3 指针式仪表读数识别方法设计 |
4.4 本章总结 |
第5章 系统模拟检定实验 |
5.1 系统模块功能模拟测试 |
5.1.1 机械臂控制仿真测试 |
5.1.2 仪表定位模块仿真测试 |
5.1.3 仪表校准检定模块测试 |
5.1.4 数字识别模块测试 |
5.1.5 数据存储管理模块测试 |
5.2 系统设备自检测试 |
5.3 本章小结 |
结论 |
参考文献 |
致谢 |
(8)风力发电机舱巡检机器人研究与设计(论文提纲范文)
致谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外现状 |
1.3 文章各章节安排 |
第二章 巡检机器人系统组成 |
2.1 巡检机器人功能简介 |
2.2 巡检机器人整体结构 |
2.3 巡检机器人本体系统 |
2.4 数据传输系统 |
2.5 监控后台 |
2.6 本章小结 |
第三章 风力发电机舱轨道式机器人控制系统硬件设计与实现 |
3.1 控制系统硬件总体方案设计 |
3.2 控制系统关键硬件电路设计 |
3.2.1 主控制器与最小系统 |
3.2.2 电源管理电路 |
3.2.3 电机驱动电路 |
3.2.4 通信电路 |
3.3 系统硬件总体电路图 |
3.4 本章小结 |
第四章 风力发电机舱轨道式机器人控制系统软件设计与实现 |
4.1 控制系统软件总体方案设计 |
4.2 主程序任务 |
4.3 运动控制程序 |
4.3.1 步进电机加减速程序 |
4.3.2 交流电机控制程序 |
4.3.3 导航定位程序 |
4.4 安全保护程序 |
4.5 数据传输与通信 |
4.6 其它模块程序 |
4.6.1 状态指示灯 |
4.6.2 蜂鸣器报警 |
4.6.3 数据存储 |
4.7 本章小结 |
第五章 巡检过程设备图像检测 |
5.1 设备检测方法 |
5.2 指针式仪表识别 |
5.2.1 图像预处理 |
5.2.2 指针识别算法 |
5.2.3 指针识别仿真测试 |
5.3 数字式仪表识别 |
5.3.1 图像预处理 |
5.3.2 数字仪表盘定位 |
5.3.3 倾斜校正 |
5.3.4 字符分割 |
5.3.5 字符识别 |
5.3.6 识别结果分析 |
5.4 本章小结 |
第六章 巡检机器人控制系统调试 |
6.1 系统调试测试 |
6.1.1 电源调试 |
6.1.2 主控制器时钟及程序烧录 |
6.1.3 电机驱动电路调试 |
6.1.4 保护电路调试 |
6.1.5 通信电路调试 |
6.2 系统整体测试 |
6.3 测试数据分析 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 论文研究工作总结 |
7.2 对后续工作的展望 |
攻读学位期间的学术成果 |
参考文献 |
附录1 总体电路图 |
附录2 控制板实物图 |
附录3 风机巡检机器人机械装配图 |
附录4 巡检机器人最新改进版本 |
(9)基于树莓派的开关柜监测节点设计与研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 变电站仪表监测系统现状 |
1.2.2 树莓派方向的应用 |
1.2.3 监测节点方向的应用 |
1.3 研究内容及章节安排 |
第二章 视觉监测节点总体设计方案 |
2.1 图像采集装置选型及相关硬件 |
2.1.1 相机的选型 |
2.1.2 Raspberry Pi选型 |
2.2 运行环境选择 |
2.3 本章小结 |
第三章 图像处理的相关算法 |
3.1 图像灰度化 |
3.2 图像增强算法 |
3.2.1 灰度直方图均衡 |
3.2.2 对比度受限自适应直方图均衡 |
3.3 图像滤波 |
3.4 图像二值化 |
3.5 图像倾斜矫正 |
3.6 图像形态学运算 |
3.7 本章小结 |
第四章 开关柜仪表识别算法设计 |
4.1 指示灯识别算法设计 |
4.1.1 颜色空间属性 |
4.1.2 指示灯识别结果与分析 |
4.2 指针式仪表识别算法设计 |
4.2.1 图像细化 |
4.2.2 Hough变换直线检测 |
4.2.3 LSD直线检测 |
4.2.4 指针读数计算 |
4.2.5 指针式仪表实验结果与分析 |
4.3 数显示仪表识别算法设计 |
4.3.1 字符分割算法 |
4.3.2 穿线法及KNN数字识别算法 |
4.3.3 方向梯度直方图特征的支持向量机数字识别算法 |
4.3.4 数显示仪表识别结果与分析 |
4.4 本章小结 |
第五章 树莓派平台下的算法性能测试 |
5.1 软件设计 |
5.2 识别算法测试 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(10)航天发动机波纹管刚度检测系统的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源及研究的背景和意义 |
1.2 国内外在该方向上的研究现状及分析 |
1.2.1 波纹管力学性能理论分析的研究现状 |
1.2.2 波纹管轴向刚度检测系统的研究现状 |
1.2.3 嵌入式系统在电机控制领域应用的研究现状 |
1.3 主要研究内容 |
第2章 波纹管刚度检测系统的结构设计 |
2.1 航天发动机波纹管力学性能的仿真分析 |
2.1.1 波纹管的三维模型创建 |
2.1.2 波纹管的力学性能仿真 |
2.2 波纹管刚度检测系统的总体设计 |
2.3 波纹管刚度检测设备的结构设计 |
2.3.1 波纹管刚度检测设备加载机构设计 |
2.3.2 传感器型号选择与布局设计 |
2.3.3 波纹管刚度检测设备装夹机构设计 |
2.4 本章小结 |
第3章 波纹管刚度检测控制系统的研制 |
3.1 波纹管刚度检测控制系统的总体设计 |
3.2 波纹管刚度检测控制系统的搭建 |
3.2.1 基于ARM微处理器的硬件系统设计 |
3.2.2 电机控制系统硬件搭建 |
3.2.3 数据采集系统硬件搭建 |
3.2.4 辅助功能模块硬件搭建 |
3.3 波纹管刚度检测系统的控制策略实现 |
3.3.1 数据采集临界条件确定 |
3.3.2 伺服电机控制程序设计 |
3.3.3 数据采集转换程序设计 |
3.4 本章小结 |
第4章 波纹管刚度检测控制系统软件的开发 |
4.1 刚度检测系统的软件总体设计 |
4.1.1 控制系统软件的功能需求分析 |
4.1.2 控制系统软件的开发环境选择 |
4.2 刚度检测系统软件的功能模块设计 |
4.2.1 功能模块通信机制的实现 |
4.2.2 控制系统软件功能模块设计 |
4.3 数据处理模块的实现 |
4.3.1 数据处理算法的设计 |
4.3.2 基于C语言的数据处理算法实现 |
4.4 刚度检测系统软件辅助功能设计 |
4.4.1 数据保存与读取功能的实现 |
4.4.2 用户信息管理功能的实现 |
4.4.3 实验信息管理功能的实现 |
4.5 本章小结 |
第5章 波纹管刚度检测系统的实验研究 |
5.1 传感器的标定 |
5.2 波纹管刚度检测系统精度验证 |
5.3 波纹管刚度特性的评价指标确定 |
5.4 波纹管刚度特性检测实验 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
四、一种数字式仪表的量程自动转换装置的研制(论文参考文献)
- [1]基于机器视觉的油田仪表读数识别算法研究[D]. 吴康祁. 西安理工大学, 2021(01)
- [2]深度学习框架下电气设备仪表读数识别方法研究[D]. 蔡松. 湖北工业大学, 2021
- [3]结合图像处理与深度学习的电力设备自动监测技术研究[D]. 许晓宇. 北方工业大学, 2021(01)
- [4]基于机器视觉的模拟式仪表自动抄表系统开发[D]. 王钦. 常州大学, 2021(01)
- [5]机匣深腔流道的在线自动检测技术研究[D]. 官业欣. 华东理工大学, 2021(08)
- [6]XX型大推力涡轮风扇发动机地面试车测控系统研制[D]. 廖泉彬. 电子科技大学, 2020(01)
- [7]通用型电力仪表自动检定系统的设计[D]. 庄国欣. 哈尔滨工业大学, 2020(01)
- [8]风力发电机舱巡检机器人研究与设计[D]. 丁健强. 南京林业大学, 2020(01)
- [9]基于树莓派的开关柜监测节点设计与研究[D]. 卜庆志. 江西理工大学, 2020(01)
- [10]航天发动机波纹管刚度检测系统的研究[D]. 张泽. 哈尔滨工业大学, 2020(01)